Exploitation des images satellitaires de MODIS-Terra pour la classification

du sol et la détection des plans d’eaux: cas de la Tunisie

Présenté par: DJAMAI Najib Centre de recherche en géomatique (CRG) – Université Laval Québec-Canada najib.djamai.1@ulaval.ca

GéoTunis 2009

1- Introduction

La désertification en Tunisie (photo prise au sud Tunisien)

Carte topographique de la Tunisie

Position géographique de la Tunisie

2

1- Introduction: Outils

MODIS-Terra: Le premier satellite du programme EOS Lancement: le 18 décembre 1999 par le NASA

Altitude: 705 kmPlacé sur une orbite héliosynchrone du matin Passe par la zone d’étude chaque jour vers 11h

Fauchée : 2330 km

Nombre des bandes : 36

Résolution spatiale :• bandes 1 et 2 : 250 m• bandes 3-7 : 500 m • bandes 8-36 : 1000 m

Mission• Améliorer la compréhension des changements et phénomènes environnementaux• Développer des modèles de prédiction des changements planétaires • Avoir des décisions éclairées concernant la protection de l’environnement.

 

Satellite: MODIS-Terra

3

2- Objectifs

- Étudier la variation spatio-temporelle des plans d’eaux, des végétations, des sols humides et des sols secs en Tunisie

- Estimer une distribution spatio-temporelle des plans d’eaux temporaires et permanentes en Tunisie

- Quantifier la contribution de la télédétection à la cartographie des plans d’eaux et des zones humides

Est-ce-qu’à partir des données « gratuites » de MODIS-Terra on peut aboutir à des résultats précieux?

4

3- Méthodologie

Images satellitaires

Classification non supervisée

Classification supervisée

ISODATA

Maximum de vraisemblance

Distance minimale

Détection des plans d’eaux

Contraste locale du

DVW

5

Prétraitement

4- Description des données exploitées dans le présent travail MODIS Terra Surface Réflectance 8 Day L3 Global 500 m

Résolution spatiale: 500 mRésolution temporelle: 8 joursProjection: sinusoïdale Prétraitement: corrigées des effets atmosphériques

Ces données correspondent aux pixels les moins affectés par les nuages et ayant le meilleur angle zénithale sur une période de 8 jours

6

Source: Remote Sensing Digital Image Analysis, John A. Richards, Xiuping Jia :, Springer, Fourth Edition 2006, pp5

6- Prétraitement des données - nuages

7

Nombre des pixels affectés par le nuage ou son ombre par rapport à la surface de la Tunisie entre 2000 et 2009

Ennuagement en (%) sur la période 2000-2009

Exemple: 18 février 2000

Période d’étude 18 février 2000 jusqu’à 2 juin 2009

428 images(100 %)

Images manquantes 15 février 200022 janvier 2001

2 (0.46 %)

Images nuageuses(surface affectée par les nuages supérieure à 10 % de la surface de la Tunisie)

37(8.64 %)

Images Utilisables 389 images(90.88 %)

6- Prétraitement des données - nuages

8

On écarte les images avec un ennuagement > 10%

7- Classification non supervisée: ISODATAClassification du sol en dix classes avec une méthode non

supervisée (ISODATA): le 22 avril 2000 (nébulosité = zéro)

9

Exemple: les pixels à classer (en deux groupe) dans un

espace multi-spectral

7- Classification non supervisée: ISODATA

10

La répartition spectrale des dix classes trouvés avec ISODATA

8- Classification avec la distance minimale des signatures spectrales de l’eau, la végétation, le sol sec et le sol humide

11

8- Classification avec la distance minimale des signatures spectrales de l’eau, la végétation, le sol sec et le sol humide

12

Exemple Résultats

13

Variations temporelles des surface occupées par chaque classe par rapport à la surface totale du pays en (%)

MR(DVW): la moyenne régionale du DVW dans une surface suffisamment large pour être presque insensible au valeurs particulières (exemple: 100 x 100 pixels de 500x500 m)

9- Détection des plans d’eaux avec le contraste local du DVW Exemple: cartes de 22 avril 2000

14

15

9- Détection des plans d’eaux avec le contraste local du DVW Distribution spatiotemporelle des plans d’eaux en Tunisie

entre 2000 et 2009

10- Classification supervisée: maximum de vraisemblanceLa répartition spectrale des pixels d’entrainement des différents

classes utilisés pour les classifications supervisées

16

10- Classification supervisée: maximum de vraisemblance

17

Exemple Résultats

18

Variations temporelles des surface occupées par chaque classe par rapport à la surface totale du pays en (%)

11- Conclusions

1)- Les données de MODIS-Terra ont permis de :

- Déterminer la variation spatiotemporelle des sols humides, des sols sec, des végétations et des plans d’eaux en Tunisie entre 2000 et 2009.

- Détecter les plans d’eaux temporaires et permanents en Tunisie et étudier leurs variations spatiotemporelles.

2) Le DVW est un bon indicateur de présence des plans d’eaux

3) Les plans d’eaux temporaires, qui sont beaucoup moins connues que les plans d’eaux permanents, représentent une grande partie plans d’eaux existants.

4) La variabilité des surfaces occupées par les classes (sols secs, sols humides, végétations et plans d’eaux) est surtout annuelle.

Travaux futurs:

Existe -t-il un lien entre la variabilité temporelle des classes détectés et les phénomènes météorologiques et climatiques locales (comme l’oscillation Nord atlantique)?

19

20

Remerciements

Je tiens de remercier:

M. Marc Cocard, mon directeur de recherche (Université Laval, Centre de recherche en géomatique), et M. Valery Gond (CIRAD), mon codirecteur, pour leurs conseils, leurs soutiens scientifiques et leurs disponibilités.

Le Ministère Tunisien des Études Supérieures et la Mission Universitaire de Tunisie en Amérique de Nord (MUTAN) qui m'ont assuré le soutien financier mes études et mes recherches à l’étranger.

Merci pour votre attention